基于 MLLM 推动的课程学习增强无源领域适应
统一的无源领域适应问题中,通过采用潜在因果因素发现方法(LCFD)和预训练的视觉 - 语言模型(如 CLIP),可以有效提高学习模型对领域变化的可靠性和鲁棒性,并在不同的无源领域适应设置和无源领域外泛化上取得了新的最先进结果。
Mar, 2024
本文提出了一种广义源自由域自适应(G-SFDA)的新域自适应范例,其中仅在自适应期间访问当前未标记的目标数据,该方法基于局部结构聚类(LSC)和稀疏域注意力(SDA)以保持源信息的同时为不同领域激活不同的特征通道。实验表明,本文所提出的方法的目标表现与现有域自适应(DA)和源自由域自适应(SFDA)方法相当或更好,并在 VisDA 上实现了最先进的性能(85.4%)。
Aug, 2021
本文提出了一种基于红外图像的智能监测系统,其基于卷积神经网络和支持向量机算法,并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应,使用了策略筛选伪标签的课程学习加速自适应过程。
Mar, 2023
源无关领域适应 (SFDA) 旨在适应一个源模型到目标领域,只能访问标记有监督源领域的预先训练的模型和无标记目标培训数据。我们首次探索了富含异构知识的现成视觉 - 语言多模态模型 (例如 CLIP) 的潜力,提出了一种新颖的蒸馏多模态基础模型 (DIFO) 方法来解决现有方法中不可避免的错误问题,并通过两个步骤的交替来使其任务特定化,实验结果表明 DIFO 显著优于现有的替代方法。
Nov, 2023
该研究提出了一种基于概率模型的源自由领域自适应方法,通过量化源模型预测中的不确定性来指导目标适应,以对抗域漂移和缺乏源数据的问题,并且相比于传统的源自由领域自适应方法,该方法计算轻量、与源训练和目标适应相独立。
Aug, 2022
本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE,采用球形 k 均值聚类生成目标数据的假伪标签,并利用目标数据和锚点学习源域的类条件特征分布,通过最小化交叉适应损失函数来对齐两个数据域,在多个 DA 基准测试中实现了最先进的性能表现,并且优于需要大量源数据的传统 DA 方法。
Apr, 2022
通过一致性正则化框架、软伪标签、基于采样的伪标签选择策略和全局导向的校准方法,本文提出了一种更具泛化能力的无源域适应方法,在目标训练集和测试集上同时提高模型性能,实现了在多个无源域适应基准上的最先进性能,并展示在未知测试集上的鲁棒性。
Aug, 2023
提出了一种用于 Source-Free Domain Adaptation 的新框架,使用在目标领域样本上训练的文本到图像扩散模型生成源数据,并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐,从而显著提高目标领域模型的性能。
Oct, 2023
该研究针对无源领域自适应(SFDA),提出了一种通过学习噪声转移矩阵和准确预测的方法,改进了基于伪标签的 SFDA 方法,获得了在 VisDA、DomainNet 和 OfficeHome 三个领域自适应数据集上的最新成果。
Jan, 2024